Per pastarąjį dešimtmetį daugelis profesinių organizacijų ragino atlikti visuotinį nėščių ir pagimdžiusių moterų depresijos patikrinimą. Atrankos tikslas – nustatyti depresija sergančias moteris ir anksti pradėti gydymą. Nors tai neabejotinai svarbus rūpinimosi nėščių ir pagimdžiusių moterų psichine sveikata aspektas, optimali šios populiacijos patikra turėtų apimti moterų, kurioms yra padidėjusi perinatalinės psichikos sveikatos būklės rizika, nustatymas prieš pasireiškus simptomams.
Iki šiol epidemiologiniai tyrimai atskleidė, kad patikimiausias perinatalinės depresijos rizikos veiksnys yra nuotaikos ar nerimo sutrikimas prieš nėštumą. Kiti rizikos veiksniai moduliuoja riziką, įskaitant vaikystės nelaimių istoriją, pastarojo meto gyvenimo streso veiksnius, intymaus partnerio smurtą ir bendrą fizinę sveikatą. Nors yra duomenų, patvirtinančių šių populiacijos lygio rizikos veiksnių pagrįstumą, sunku panaudoti šiuos veiksnius, kai reikia apskaičiuoti asmens riziką susirgti perinatalinėmis psichikos ligomis. Be to, yra riziką mažinančių veiksnių (pavyzdžiui, socialinė parama), ir dažnai sunku atsižvelgti į šiuos naudingus veiksnius mūsų rizikos skaičiavimuose.
Klinikinis rizikos numatymas: apsvarstykite ponią A
Paimkite ponios A pavyzdį. Jai 35 metai, ji ištekėjusi 6 metus ir dirba architekte. Būdama 14 metų ji kovojo su nerimu ir depresija, netikėtai mirus tėvui (širdies priepuoliui). Maždaug ketverius metus ji buvo reguliariai gydoma psichoterapija ir vartojo 50 mg sertralino. Ji nutraukė gydymą, kai pradėjo mokytis koledže, simptomai nepasikartojo ir nevartojo jokių vaistų nuo depresijos ar nerimo. Pastaruosius kelerius metus ji užsiima psichoterapija, kad padėtų susidoroti su kasdieniais stresiniais veiksniais.
Ji yra geros sveikatos. Ji praneša, kad savaitgalį išgėrė 1–2 taures vyno, jokių pramoginių narkotikų. Ji geriamuosius kontraceptikus vartoja apie 10 metų. Ji neturi PMS ar PMDD istorijos.
Jos šeimos istorija pasižymi apibendrintu motinos ir vyresniosios sesers nerimu; abiem sutrikimas atsirado po ponios A tėvo mirties. Ji nežino apie jokias psichikos sveikatos problemas savo tėvo šeimoje.
Remdamiesi šiais veiksniais, galime manyti, kad ponia A yra santykinai maža perinatalinės depresijos ir nerimo rizika. Ji turi tolimą depresijos ir nerimo istoriją, tačiau tai priklausė nuo situacijos ir 17 metų ji buvo be simptomų ir nevartoja vaistų. Kita vertus, ji iš tiesų patyrė vaikystės nelaimių (tėvo mirties) ir šeimos nerimo (atsirado po tėvo mirties). Kiek svorio turėtume skirti šiems rizikos veiksniams?
Didelių duomenų naudojimas rizikai įvertinti
Mūsų, kaip gydytojų, gebėjimas įvertinti riziką konkrečiam pacientui yra teisingas ir dažnai subjektyvus. Čia gali būti naudingi dideli duomenys. Kiekvieną kartą, kai pacientas lankosi pas sveikatos priežiūros paslaugų teikėją, surenkamas didžiulis duomenų kiekis: sociodemografinė informacija, pvz., šeiminė padėtis, užimtumas ir išsilavinimo lygis; medicinos istorija; standartizuotų anketų duomenys; laboratoriniai tyrimai; gyvybės ženklai; paskirtus vaistus. Gydytojai negali priimti ir išanalizuoti kiekvieno duomenų kąsnio, kad gautų tikslų rizikos įvertinimą. Tačiau galingi kompiuteriai gali.
Siekdami surinkti ir efektyviai panaudoti visą potencialiai vertingą informaciją, įtrauktą į medicininius įrašus, mokslininkai kreipiasi į mašininį mokymąsi, kad atsijotų milžiniškus duomenų kiekius ir nustatytų, kokie veiksniai yra svarbiausi prognozuojant perinatalinės psichikos ligos riziką. Tikslas – sukurti algoritmą, kuris patikimai numatytų kiekvieno asmens riziką. Šis metodas leidžia mums suprasti, kurie veiksniai yra patikimiausi rizikos prognozuotojai, taip pat gali padėti nustatyti kitus veiksnius, apie kuriuos dar nežinome.
Neseniai atliktoje apžvalgoje Cellini ir kolegos (2022 m.) nustatė 11 tyrimų, kuriuose daugiausia dėmesio skiriama pogimdyminės depresijos (PPD) prognozių nustatymas naudojant mašininio mokymosi metodus. Šiuose tyrimuose mokslininkai įvertino daugybę galimų prognozių, išmatuotų nėštumo metu arba gimdymo metu. Naudodami mašininį mokymąsi, jie naudojo atitinkamus duomenis, kad sukurtų algoritmą, kuris galėtų būti naudojamas nuspėti asmens riziką susirgti PPD.
Šie tyrimai įvertino daugybę galimų rizikos veiksnių, įskaitant psichiatrinę istoriją (iki nėštumo ir nėštumo metu), sociodemografinius kintamuosius (pvz., amžių, šeimyninę padėtį), akušerinius kintamuosius (pvz., nėštumo komplikacijas) ir vaikų kintamuosius (pvz., nėštumo amžių, gimimą). svoris). Trijuose tyrimuose buvo naudojami biologiniai kintamieji kraujo, genetinių ir epigenetinių prognozių pavidalu. Nė viename iš tyrimų nebuvo naudojami vaizdo gavimo metodai.
Visų tyrimų tikslumas arba plotas po kreive (AUC) buvo didesnis nei 0,7. Didesnė nei 0,7 ROC vertė laikoma pagrįstu modelio našumu, kuris turi būti naudojamas norint numatyti tam tikrą rezultatą, pvz., pPD atsiradimą. (AUC reikšmė svyruoja nuo 0 iki 1. Modelio, kurio prognozės yra 100 % klaidingos, AUC yra 0; modelio, kurio prognozės yra 100 % teisingos, AUC yra 1,0.)
Įtakingiausi rizikos veiksniai buvo depresija ar nerimas prieš nėštumą ir depresijos simptomai ar nerimas nėštumo metu. Keletas tyrimų parodė, kad antidepresantų išrašymas bet kuriuo moters gyvenimo momentu yra vienas stipriausių rizikos veiksnių. Kiti svarbūs prognozuojamieji kintamieji buvo rūkymas, amžius (jaunesnis ar vyresnis), nėštumo komplikacijos, padidėjęs sveikatos priežiūros paslaugų naudojimas nėštumo metu, didesnis apsilankymų greitosios medicinos pagalbos skyriuje skaičius nėštumo metu, KMI prieš nėštumą, mažesnis kūdikio gimimo svoris, trumpesnė nėštumo trukmė, lytis. vaiko ir pastarųjų stresinių gyvenimo įvykių.
Visi šie kintamieji buvo nustatyti kaip rizikos veiksniai ankstesniuose epidemiologiniuose tyrimuose. Tai, ką prideda mašininio mokymosi tyrimai, yra išsamesnis kiekvieno iš šių kintamųjų svarbos įvertinimas. Pavyzdžiui, didesnis KMI gali padidinti PPD riziką, tačiau atrodo, kad tai nėra toks stiprus pogimdyminės rizikos prognozuotojas, kaip depresijos istorija. Kadangi visus šiuos skaičiavimus atlieka kompiuteris, rizikai įvertinti galime vienu metu naudoti kelis kintamuosius.
Žvelgiant į priekį
Grįžkime prie ponios A. Nors nėštumo metu jos nuotaika buvo gana stabili, pats nėštumas buvo sunkus. Didžiąją nėštumo dalį ji gana stipriai pykino, todėl jai buvo sunku priaugti svorio. Jos veikla buvo ribota, ji negalėjo reguliariai mankštintis. Nors gimus dukrai ji fiziškai jautėsi daug geriau, jos nerimas, ypač susijęs su kūdikio savijauta, buvo labai didelis. Žindymas buvo sunkus, o jos nerimas dėl maitinimo trukdė miegoti naktį. Per 6 savaites po gimdymo ji gavo 24 balus pagal EPDS, o tai atitinka sunkų PPD.
Ar tai galėjome numatyti?
Galbūt, bet tikriausiai ne. Remiantis tuo, ką sužinojome iš aukščiau aprašytų mašininio mokymosi tyrimų, atrodo, kad antidepresantų vartojimas bet kuriuo moters gyvenimo momentu, net jei jis buvo vartojamas prieš daugelį metų, gali būti stipresnis PPD rizikos veiksnys nei kiti veiksniai. Tačiau rizikos įvertinimas yra subjektyvus ir, atsižvelgiant į jos ankstesnio depresijos epizodo situacinį ir atokumą, nuolatinį aukštą jos funkcionavimo lygį ir tai, kad pastaruosius 17 metų ji buvo sveika ir nevartojo vaistų, ponios A paslaugų teikėjai neatsižvelgė. jai gresia didelė PPD rizika.
Kaip psichikos sveikatos priežiūros paslaugų teikėjai, matome daug pacientų, kuriems yra didelė pasikartojančių psichikos ligų rizika, ir atidžiau juos stebime. Tačiau bendrojoje populiacijoje yra daug moterų, kurioms gresia didesnė PPD rizika, nors šiuo metu jos gali ir negydyti psichikos ligų. Nors 6 savaičių patikrinimo metu poniai A buvo nustatyta pogimdyminė depresija, galbūt diagnozę galėjome nustatyti anksčiau arba galėjome suteikti papildomos pagalbos, kad sumažintume jos depresijos riziką.
Įsivaizduokite, ar galėtume panaudoti mašininį mokymąsi, kad pagerintume teikiamą priežiūrą ir atliktume patikimesnius rizikos įvertinimus. Galbūt kai ponia A eis pas akušerę kito nėštumo metu, ji atsakys į kelis klausimus, stebuklingas rizikos prognozavimo algoritmas padarys savo darbą ir gausime kažkokį skaičių ar balą, kuris kiekybiškai įvertins ponios A riziką susirgti perinataline depresija. arba nerimas. Tada ji ir jos akušerė aptars, kokios galimos galimybės sumažinti jos riziką: pavyzdžiui, galbūt dėmesingumu pagrįstos kognityvinės terapijos kursas arba antidepresanto įvedimas po gimdymo. (Gerai, galbūt tai skamba per daug, bet toks tikslios medicinos metodas jau naudojamas priimant sprendimus dėl gydymo pacientams, sergantiems krūties vėžys.)
Šie tyrimai yra preliminarūs, bet labai jaudinantys. Toliau turėsime išbandyti šiuos nuspėjamuosius modelius įvairiais parametrais. Modelis, skirtas prognozuoti riziką Ajovos mieste, gali neveikti taip gerai Pekine. Panašiai modelis, apmokytas viešai apdraustų asmenų, gimdančių miesto ligoninėje, gali neveikti taip pat priemiesčio, dažniausiai privačiai apdraustoje akušerinėje praktikoje. Veiksniai, įskaitant rasę, etninę kilmę, socialinę ir ekonominę padėtį, bendruomenės paramą ir prieigą prie sveikatos priežiūros, įvairiose vietose gali skirtis. Kuriant šiuos modelius taip pat gali būti atsižvelgta į kultūrinius skirtumus, pavyzdžiui, pirmenybė teikiama tam tikros lyties vaikui. Nepaisant to, bus įdomu pamatyti, kaip tiksli medicina vystosi perinatalinės psichiatrijos srityje.
Rūta Nonač, medicinos mokslų daktarė
Nuorodos
Cellini P, Pigoni A, Delvecchio G, Moltrasio C, Brambilla P. Mašinų mokymasis prognozuojant pogimdyminę depresiją: apžvalga. J Afekto sutrikimas. 2022 m. liepos 15 d.; 309:350-357.
Hochmanas E, Feldmanas B, Weizmanas A, Krivoy A, Gur S, Barzilay E, Gabay H, Levy J, Levinkronas O, Lawrence’as G. Mašininiu mokymusi pagrįsto pogimdyminės depresijos prognozavimo modelio kūrimas ir patvirtinimas: visos šalies kohortinis tyrimas. Depresuoti Nerimą. 2021 m. balandis;38(4):400-411. doi: 10.1002/da.23123. Epub 2020 gruodžio 7 d.
Yang ST, Yang SQ, Duan KM, Tang YZ, Ping AQ, Bai ZH, Gao K, Shen Y, Chen MH, Yu RL, Wang SY. Pogimdyminės depresijos prognozavimo modelio sukūrimas ir taikymas: rizikos vertinimo ir prevencijos optimizavimas klinikoje. J Afekto sutrikimas. 2022 m. sausio 1 d.;296:434-442.